close
（來自：MIT，Jose-Luis Olivares / 圖）
通常情況下，研究人員會在訓練階段向神經網絡算法提供大量相關的目標數據，來磨煉其推理能力。
期間通過對正確的響應加以獎勵，以優化其性能。然而傳統的訓練方案，明顯還是過於“刻板”瞭。
有鑒於此，Ramin Hasani 與團隊成員合作開發瞭一套新方法，讓神經網絡可以像“液體”一樣，隨著時間的流逝而更好地適應“正確”的新信息。
舉個例子，如果無人駕駛汽車上的感知神經網絡能夠分辨晴朗的天空和大雪等環境，就可以更好地順應情況的變化、並維持較高的性能。
這項新研究的主要特點，是側重於時間序列的適應性。比之建立於訓練數據的多快照或時間上的靜態時刻，可流動的液態神經網絡可以將時間序列或圖像序列也考慮進來，而不是孤立的各個片段。
得益於這種系統設計方法，與傳統神經網絡相比，MIT 的液態系統實際上更便於開展觀察研究。
前一種 AI 通常被稱作‘黑盒’，盡管算法開發者明確知曉輸入信息的判定準則，但通常無法確定其中到底發生瞭什麼。
而液態神經網絡在這部分提升瞭透明度、對復雜計算節點的依賴性也更少，因此還具有相當不錯的成本優勢。
最終結果表明，在預測已知數據集的未來值方面，液態神經網絡的準確性要顯著優於其它替代方案。
下一步，Hasani 將與團隊成員繼續改進液態神經網絡的性能表現，並努力將之推向實際應用。
全站熱搜
留言列表
